Statistik Lembah Ganjil pada Suara Sintetis (2026): 40+ Poin Data tentang Deteksi, Keseraman, dan Ketidakcocokan Wajah-Suara

Statistik lembah ganjil suara sintetis 2026: pendengar hanya benar 53,95% saat memilah suara asli dan AI, plus data keseraman, klon, dan ketidakcocokan wajah-suara.

Ketika 172 orang diminta memilah suara asli dari suara buatan AI, mereka hanya benar 53,95% dari waktu, nyaris sebatas lempar koin, sementara peserta yang sama mengklasifikasikan wajah dengan benar 65,48% dari waktu (Ivory dkk., Scientific Reports 2026, dalam proses terbit). Klon dari orang sungguhan menipu pendengar bahkan soal identitas: akurasi pencocokan turun dari 86,98% untuk suara alami menjadi 68,94% untuk deepfake (Roswandowitz dkk., Communications Biology 2024). Pada 1.212 peserta dan tiga set data deepfake yang banyak dipakai, akurasi manusia rata-rata 73% (Warren dkk., ACM CCS 2024), namun lembah ganjil klasik, yaitu penurunan rasa nyaman ketika sesuatu hampir tetapi belum sepenuhnya manusiawi, nyaris tidak muncul untuk ujaran sintetis saja. Kami menghimpun data dari PLOS One, Scientific Reports, Communications Biology, eNeuro, ISCA Archive, Frontiers, ACM CCS, i-Perception, dan dua survei industri tahun 2026. Untuk tolok ukur uji dengar di balik teks-ke-ujaran modern, lihat statistik kealamian ujaran sintetis dan MOS kami, dan untuk kesalahan nada serta penekanan yang masih membongkar suara sintetis, lihat statistik kesalahan prosodi TTS neural kami.

TL;DR

  • Pendengar mengklasifikasikan suara asli dan sintetis dengan benar sebesar 53,95%, dibandingkan 65,48% untuk wajah (Ivory dkk., Scientific Reports 2026).
  • Keyakinan tidak sejalan dengan akurasi untuk suara: AUROC 0,48, di mana 0,5 berarti tanpa wawasan (Ivory dkk., Scientific Reports 2026).
  • Klon suara dilabeli manusia pada 0,70, rekaman asli pada 0,72, dan suara AI generik pada 0,39 (Lavan dkk., PLOS One 2025).
  • Akurasi rata-rata manusia pada tiga set data deepfake adalah 73% untuk 1.212 peserta (Warren dkk., ACM CCS 2024).
  • Pencocokan identitas turun dari 86,98% untuk suara alami menjadi 68,94% untuk deepfake (Roswandowitz dkk., Communications Biology 2024).
  • Semakin mirip manusia suara TTS, semakin menyenangkan penilaiannya: r(203) = 0,48, p < 0,001 (Ross, Corley, dan Lai, Speech Prosody 2024).
  • Pasangan wajah dan suara yang tidak cocok dinilai lebih seram daripada yang cocok, t(47) = 6,042, p < 0,001 (Mitchell dkk., i-Perception 2011).
  • Suara manusia mengangkat daya suka karakter virtual menjadi 3,75 dibandingkan 2,99 untuk suara robot (Choi dkk., IEEE ISMAR-Adjunct 2023).
  • Setelah mengetahui bahwa sulih suara yang mereka dengar adalah AI, 25% pendengar radio menjadi lebih menyukai dan 20% kurang menyukai (Crowd React Media 2026).
  • Pembiasaan berbasis contoh hanya menaikkan deteksi deepfake rata-rata 3,84% (Mai dkk., PLOS ONE 2023).
  • 67% orang dewasa di AS, Inggris, dan kawasan DACH khawatir suara mereka diklon (Malwarebytes 2026, survei vendor).

1. Deteksi: Seberapa Sering Pendengar Membedakan Suara AI dari Suara Manusia

Intinya bukan bahwa orang gagal, melainkan bahwa kegagalan itu khas pada pendengaran. Peserta yang sama, yang dengan mudah mengungguli peluang acak pada wajah, mencetak 53,95% pada suara (CI 95% = [52,64; 55,27]) dalam studi praregistrasi Lancaster University yang menguji kedua indra secara berdampingan (Ivory dkk., Scientific Reports, dalam proses terbit). Mahir mengenali wajah palsu tidak mengatakan apa pun tentang mahir mengenali suara palsu: para penulis tidak menemukan kemampuan deteksi umum lintas indra.

Format tugas menggeser angka lebih besar daripada kemampuan pendengar. Ketika peneliti UCL memutar satu klip pada satu waktu, 529 pendengar benar 70,35% dari waktu, tetapi ketika klip asli dan klip deepfake didengar bersamaan, yang palsu dikenali pada 85,59% percobaan (Mai dkk., PLOS ONE 2023). Dalam kehidupan nyata, klip pembanding jarang tersedia. Usia set data juga berpengaruh: dalam studi terhadap 1.212 peserta dari University of Florida, akurasi berkisar dari 65% pada set Wavefake hingga 81% pada FakeAVCeleb.

MetrikNilaiSumber
Suara asli dan sintetis yang diklasifikasikan dengan benar (172 peserta, 40 suara asli dan 40 suara sintetis)53,95% (CI 95% = [52,64; 55,27])Ivory dkk., Scientific Reports 2026 (dalam proses terbit)
Wajah asli dan buatan AI yang diklasifikasikan dengan benar oleh peserta yang sama65,48% (CI 95% = [63,75; 67,21])Ivory dkk., Scientific Reports 2026 (dalam proses terbit)
Klasifikasi benar saat menilai satu klip pada satu waktu (n = 529, bahasa Inggris dan Mandarin)70,35%Mai dkk., PLOS ONE 2023
Deepfake dikenali saat didengar bersama klip asli (tugas dua klip)85,59% percobaanMai dkk., PLOS ONE 2023
Akurasi rata-rata manusia pada tiga set data deepfake (1.212 peserta)73%Warren dkk., ACM CCS 2024
Akurasi rata-rata pada set data tersulit (Wavefake) berbanding termudah (FakeAVCeleb)65% berbanding 81%Warren dkk., ACM CCS 2024
Klon suara AI yang diidentifikasi dengan benar sebagai AI (sampel Prolific 604 peserta dalam dua studi)sekitar 60%Barrington, Cooper, dan Farid, Scientific Reports 2025
Sensitivitas pendengar (d prime) dalam memisahkan suara AI generik dari suara manusia berbanding klon suara dari suara manusia (n = 50)2,93 berbanding 0,13Lavan dkk., PLOS One 2025

Catatan konteks: d prime (d’) adalah skor sensitivitas dari teori deteksi sinyal, di mana 0 berarti pendengar sama sekali tidak dapat memisahkan kedua kategori. Deepfake dalam studi Mai dkk. berasal dari algoritma yang relatif lama, seperti diakui para penulisnya; data terbaru yang tersedia untuk perbandingan satu klip berbanding dua klip: Mai dkk., PLOS ONE 2023.

2. Klon Suara: Ketika Tiruan Dianggap Orangnya

Suara AI generik masih terdengar seperti produk. Klon dari orang tertentu tidak, dan di situlah pendengaran manusia menyerah. Peneliti Queen Mary University of London membuat klon mereka dari sekitar 4 menit rekaman per pembicara dengan alat kloning komersial, dan pendengar melabeli klon tersebut sebagai manusia dengan tingkat 0,70, dibandingkan 0,72 untuk rekaman asli (Lavan dkk., PLOS One 2025). Putusan para penulis tepat: klon terdengar nyata, tetapi belum “hiperrealistis” seperti wajah AI yang bisa tampak lebih nyata daripada yang asli. Seberapa sedikit audio yang kini dibutuhkan sebuah klon dilacak dalam statistik audio referensi kloning suara zero-shot kami.

Identitas adalah ujian kedua, dan klon lolos sebagian besar waktu. Dalam studi UC Berkeley, peserta menilai suara AI memiliki identitas yang sama dengan padanan aslinya sekitar 80% dari waktu (Barrington, Cooper, dan Farid, arXiv v2, diterbitkan di Scientific Reports 2025). Dalam studi pencitraan otak University of Zurich yang memakai kalimat dua kata bahasa Jerman (stimulus studi mencakup ‘Er fällt’, bahasa Jerman untuk ‘Dia jatuh’), pencocokan identitas turun dari 86,98% untuk suara alami menjadi 68,94% untuk deepfake (Roswandowitz dkk., Communications Biology 2024).

MetrikNilaiSumber
Porsi suara yang dilabeli ‘manusia’: klon suara berbanding rekaman manusia asli berbanding suara AI generik (Eksperimen 2, n = 50 orang dewasa Inggris)0,70 berbanding 0,72 berbanding 0,39Lavan dkk., PLOS One 2025
Rata-rata skor kenyataan: suara AI generik berbanding klon suara berbanding rekaman manusia asli47,4 berbanding 63,0 berbanding 63,8Lavan dkk., PLOS One 2025
Klon AI dinilai memiliki identitas yang sama dengan pembicara aslisekitar 80% dari waktuBarrington, Cooper, dan Farid, Scientific Reports 2025
Korelasi antara durasi klip dan akurasi penilaian kealamianSpearman ρ = 0,245Barrington, Cooper, dan Farid, Scientific Reports 2025
Akurasi pencocokan identitas: pasangan suara alami berbanding deepfake yang dipasangkan dengan suara alami (n = 25)86,98% berbanding 68,94%Roswandowitz dkk., Communications Biology 2024
Percobaan deepfake: luputan berbanding alarm palsu28,64% berbanding 29,86%Roswandowitz dkk., Communications Biology 2024

Catatan konteks: tim Queen Mary menjalankan tiga eksperimen dengan masing-masing 50 peserta Inggris, berusia 18 hingga 65 tahun dan direkrut melalui Prolific. Dalam studi Zurich, luputan berarti deepfake diterima sebagai pembicara asli, dan alarm palsu berarti identitas yang benar ditolak; tingkat yang hampir sama menunjukkan pendengar menebak ke kedua arah dan tidak condong ke satu sisi.

3. Adakah Lembah Ganjil untuk Suara?

Lembah ganjil visual memprediksi bahwa rasa nyaman turun tepat sebelum wajah buatan menjadi sepenuhnya manusiawi. Untuk ujaran sintetis, sebagian besar data menunjuk ke arah sebaliknya: semakin dekat ke manusia, semakin baik. Dalam studi Frontiers in Neurorobotics, 95 orang dewasa menilai dua suara sintetis (IBM Watson dan robot Sophia) serta satu suara manusia, dan kemiripan manusia yang lebih tinggi memprediksi keseraman yang lebih rendah untuk kedua suara sintetis. Tim Edinburgh menemukan bahwa kemiripan manusia dan kesenangan berkorelasi positif, r(203) = 0,48, p < 0,001, tetapi tidak ada suara TTS yang mencapai kemiripan manusia 50%, sehingga puncak kurva, tempat lembah akan berada, tidak pernah diuji (Ross, Corley, dan Lai, Speech Prosody 2024).

Ketika lembah memang muncul, penyebabnya adalah penyimpangan, bukan sifat buatan. Diel dan Lewis menemukan lembah ganjil vokal yang dipicu oleh suara terdistorsi dan patologis, dan menyimpulkan bahwa “suara sintetis berhasil lolos darinya” (Computers in Human Behavior Reports 2024). Bagi siapa pun yang memilih suara dengan generator suara AI, ini aturan praktis: penyampaian yang tidak biasa, tegang, atau patah-patah lebih berisiko daripada penyampaian yang jelas-jelas sintetis.

MetrikNilaiSumber
Skor kemiripan manusia: suara TTS paling mirip manusia (rentang nada dilebih-lebihkan) berbanding rekaman manusia (205 pendengar)46,1 berbanding 71,5Ross, Corley, dan Lai, Speech Prosody 2024
Skor keseraman: suara TTS yang sama berbanding rekaman manusia40,4 berbanding 28,9Ross, Corley, dan Lai, Speech Prosody 2024
Korelasi antara kemiripan manusia dan kesenanganr(203) = 0,48, p < 0,001Ross, Corley, dan Lai, Speech Prosody 2024
Kemiripan manusia memprediksi keseraman untuk dua suara sintetis (95 orang dewasa)β = −0,64 dan β = −0,66, p < 0,001Kühne, Fischer, dan Zhou, Frontiers in Neurorobotics 2020
Suara dalam studi daya suka berbanding kemiripan manusia (25 pendengar): suara pria Jerman dari 5 pendekatan sintesis plus satu kontrol manusia13Baird dkk., Interspeech 2018
Peserta dalam dua eksperimen yang menempatkan lembah ganjil vokal pada suara yang menyimpangn = 50 dan n = 35Diel dan Lewis, Computers in Human Behavior Reports 2024
Peserta dalam studi asisten suara di mana tampilan mirip manusia meningkatkan keseraman34Zhao, Chen, dan Zhao, Human Factors and Ergonomics in Manufacturing 2026
Jumlah paparan sebelum rasa suka pada suara manusia yang tidak dikenal meningkat (kalimat lisan, 238 mahasiswa)8Mavromati, Erdinch, dan Paterson, pracetak PsyArXiv 2025

Catatan konteks: Baird dkk. menemukan bahwa daya suka meningkat seiring kemiripan manusia, kebalikan dari lembah ganjil visual (Interspeech 2018); data terbaru yang tersedia untuk perbandingan lintas generasi sintesis itu, dan studi Kühne dkk. berasal dari tahun 2020. Dalam studi asisten suara, keseraman datang dari tampilan mirip manusia, bukan dari suaranya. Pracetak oleh Mavromati dan rekan menguji suara manusia asli: suara yang didengar 2 atau 5 kali kurang disukai dibandingkan suara yang belum pernah didengar, sebuah ‘U’ terbalik yang oleh para penulis disebut lembah ganjil suara yang ‘akrab sekaligus asing’.

4. Ketidakcocokan Wajah-Suara: Tempat Lembah Benar-Benar Muncul

Jika suara saja jarang jatuh ke dalam lembah, kombinasinya bisa. Uji dasarnya memasangkan sosok robot atau manusia dengan suara yang cocok atau tidak cocok, dan kedua pasangan yang tidak cocok dinilai lebih seram daripada kedua pasangan yang cocok, t(47) = 6,042, p < 0,001 (Mitchell dkk., i-Perception 2011). Sosok manusia dengan suara sintetis adalah yang paling seram dari empat kondisi. Pelajaran desain yang ditarik para penulis masih berlaku: sesuaikan realisme manusia pada wajah dengan realisme pada suara.

Penelitian yang lebih baru menunjukkan suara biasanya mendominasi kesan. Dalam studi realitas virtual, suara manusia meningkatkan daya suka dan rasa aman yang dirasakan dari sebuah karakter, sementara tampilan itu sendiri tidak berpengaruh signifikan terhadap daya suka (Choi dkk., IEEE ISMAR-Adjunct 2023). Dengan kepala robot Furhat, pengaturan wajah-suara mengubah kehangatan kesan pertama, tetapi efeknya tidak lagi signifikan setelah peserta berinteraksi dengan robot (Huang dan Moore, Frontiers in Robotics and AI 2024).

MetrikNilaiSumber
Skor keseraman: sosok manusia dengan suara sintetis berbanding sosok manusia dengan suara manusia (48 peserta kelahiran AS)M = 0,19 berbanding M = −1,10Mitchell dkk., i-Perception 2011
Skor keseraman: sosok robot dengan suara manusia berbanding sosok robot dengan suara sintetisM = −0,10 berbanding M = −0,60Mitchell dkk., i-Perception 2011
Pasangan wajah dan suara yang tidak cocok berbanding yang cocok (uji-t berpasangan)t(47) = 6,042, p < 0,001Mitchell dkk., i-Perception 2011
Daya suka karakter virtual: suara manusia berbanding suara robot (21 peserta)3,75 berbanding 2,99Choi dkk., IEEE ISMAR-Adjunct 2023
Kemiripan manusia yang dirasakan (antropomorfisme) pada karakter virtual: suara manusia berbanding suara robot3,18 berbanding 2,58Choi dkk., IEEE ISMAR-Adjunct 2023
Kehangatan kesan pertama: pengaturan wajah dan suara seperti anak-anak berbanding seperti orang dewasa berbanding seperti robot (52 peserta, 156 sampel)3,37 berbanding 2,60 berbanding 2,06Huang dan Moore, Frontiers in Robotics and AI 2024
Efek pengaturan wajah dan suara terhadap kehangatan sebelum interaksiF(2,147) = 16,75, p < 0,001Huang dan Moore, Frontiers in Robotics and AI 2024

Catatan konteks: dalam studi Furhat, sebagian peserta menggambarkan pengaturan seperti anak-anak sebagai tidak cocok (‘suara yang lebih seperti anak-anak tetapi tampilan yang kurang seperti anak-anak’). Eksperimen agen virtual 2x2 oleh Alimardani dkk. (IVA 2024) menemukan bahwa ketidakcocokan suara-tampilan mengubah antropomorfisme yang dirasakan tetapi tidak mengubah seberapa sering orang mengikuti saran agen. Studi Mitchell dkk. berasal dari tahun 2011; data terbaru yang tersedia untuk rancangan wajah-suara yang persis ini.

5. Sifat Sosial dan Efek Pengungkapan

Pendengar tidak hanya menilai apakah suara itu nyata; mereka membaca karakter di dalamnya, dan suara sintetis dibaca secara berbeda. Dalam eksperimen sifat Queen Mary, suara AI generik dinilai lebih dominan dan sedikit lebih tepercaya daripada suara manusia. Tim Zurich menemukan kebalikannya untuk deepfake mereka, yang oleh peserta dinilai “secara signifikan kurang alami, kurang disukai, dan kurang tepercaya” dibandingkan suara alami (Roswandowitz dkk., Communications Biology 2024). Kualitas stimulus menentukan ke arah mana sifat-sifat itu jatuh.

Dalam uji buta yang lebih dekat dengan media sungguhan, kualitas tidak lagi menjadi masalah dan pengungkapan mengambil alih. Setelah pengungkapan, 48% pendengar yang mendengar sulih suara manusia menjadi lebih menyukai, dibandingkan 25% dari mereka yang mendengar suara AI (Crowd React Media AI Voiceover Study 2026). Sebelum ada yang diberi tahu apa pun, kedua suara mendapat skor hampir sama. Penyampaian datar adalah titik lemah lainnya: sekitar 68% pengguna dalam kondisi tanpa emosi mengkritik nada suara agen percakapan (Cihodaru-Ștefanache dan Podina, Frontiers in Psychology 2025).

MetrikNilaiSumber
Skor dominasi: suara AI generik berbanding suara manusia (n = 50)58,1 berbanding 40,4 (p < 0,001)Lavan dkk., PLOS One 2025
Skor kepercayaan: suara AI generik berbanding suara manusia57,9 berbanding 53,8 (p = 0,002)Lavan dkk., PLOS One 2025
Daya tarik keseluruhan klip pertama: sulih suara AI berbanding sulih suara manusia (1.326 pendengar radio AS berusia 18 hingga 45 tahun)61% berbanding 60%Crowd React Media AI Voiceover Study 2026
Sulih suara dinilai ‘lucu’: suara manusia berbanding suara AI (satu-satunya selisih yang signifikan)33% berbanding 26%Crowd React Media AI Voiceover Study 2026
Setelah pengungkapan, pendengar suara AI: lebih menyukai berbanding kurang menyukai25% berbanding 20%Crowd React Media AI Voiceover Study 2026
Setelah pengungkapan, pendengar suara manusia: lebih menyukai berbanding kurang menyukai48% berbanding 4%Crowd React Media AI Voiceover Study 2026
Pengguna dalam kondisi tanpa emosi yang mengkritik nada suara agen percakapansekitar 68%Cihodaru-Ștefanache dan Podina, Frontiers in Psychology 2025

Catatan konteks: tinjauan Frontiers in Psychology menyaring hingga 29 studi tentang agen percakapan berwujud (karakter beranimasi di layar yang berbicara dengan pengguna) dan menilai sebagian besar berkualitas metodologis lemah atau sedang. Uji radio dijalankan oleh divisi riset pasar Harker Bos Group dan memeriksa signifikansi dengan uji z dua proporsi pada tingkat kepercayaan 95%; pendengar tidak diberi tahu suara mana yang mereka dengar sampai setelah memberi penilaian.

6. Pelatihan, Keyakinan, dan Otak yang Mendengarkan

Pelatihan singkat nyaris tidak membantu, dan pendengar tidak bisa tahu kapan mereka salah. Untuk suara, wawasan metakognitif yang diukur sebagai AUROC adalah 0,48, tepat di bawah 0,5 yang berarti keyakinan tidak membawa informasi apa pun tentang akurasi, dibandingkan 0,59 untuk wajah dalam studi Lancaster yang sama (lihat bagian 1). Pembiasaan dengan contoh deepfake nyaris tidak menggeser akurasi (lihat tabel). Ketika pendengar ragu, tim University of Florida menemukan bahwa mereka cenderung percaya bahwa audio itu manusia (Warren dkk., ACM CCS 2024), persis bias yang dimanfaatkan penipuan kloning suara; lihat statistik penipuan keluarga dengan kloning suara kami.

Namun otak mencatat lebih banyak daripada yang dilaporkan pendengar. Setelah sesi pelatihan 12 menit, 30 penutur asli bahasa Mandarin menunjukkan perbedaan saraf antara ujaran manusia dan ujaran AI pada sekitar 55, 210, dan 455 milidetik, namun kemampuan membedakan secara perilaku mereka tidak meningkat secara signifikan (Yang dkk., eNeuro 2026). Dalam studi fMRI Zurich, korteks auditori melacak perbedaan akustik antara suara deepfake dan suara alami, sedangkan nukleus akumbens, bagian dari sistem penghargaan, kurang aktif ketika deepfake dibandingkan dengan suara alami (Roswandowitz dkk., Communications Biology 2024).

MetrikNilaiSumber
Wawasan metakognitif (AUROC) untuk suara berbanding wajah, di mana 0,5 berarti tanpa wawasan0,48 berbanding 0,59Ivory dkk., Scientific Reports 2026 (dalam proses terbit)
Peningkatan deteksi dari pembiasaan dengan contoh deepfakerata-rata 3,84%Mai dkk., PLOS ONE 2023
Sensitivitas (d prime) untuk ujaran manusia sebelum berbanding sesudah sesi pelatihan 12 menit (30 peserta)0,383 berbanding 0,536Yang dkk., eNeuro 2026
Sensitivitas (d prime) untuk klon AI hasil penyetelan halus sebelum berbanding sesudah pelatihan yang sama0,266 berbanding 0,341Yang dkk., eNeuro 2026
Efek utama sesi pelatihan terhadap sensitivitasF(1,29) = 3,918, p = 0,057Yang dkk., eNeuro 2026
Latensi diferensiasi saraf antara ujaran manusia dan ujaran AI setelah pelatihansekitar 55 ms, 210 ms, dan 455 msYang dkk., eNeuro 2026
Orang dewasa yang khawatir suaranya diklon (1.500 orang dewasa di AS, Inggris, Austria, Jerman, dan Swiss)67%Malwarebytes AI Scams Report 2026 (survei vendor)
Orang dewasa yang menerima panggilan dengan suara klon dari orang yang dikenal dalam 12 bulan terakhir16%Malwarebytes AI Scams Report 2026 (survei vendor)

Catatan konteks: AUROC (area di bawah kurva karakteristik operasi penerima) di sini mengukur apakah keyakinan pendengar lebih tinggi pada jawaban benar daripada pada jawaban salah. Kalimat dalam studi eNeuro berasal dari uji persepsi ujaran bahasa Mandarin, dan suara AI dibuat dengan model kloning sumber terbuka. Survei Malwarebytes dijalankan secara daring dari 1 Maret hingga 17 Maret 2026 oleh konsultan riset independen; ini survei milik vendor keamanan sendiri, jadi perlakukan sebagai konteks, bukan sebagai pengukuran persepsi.

Ringkasan: Lembah Ganjil pada Suara Sintetis dalam Angka

MetrikNilaiSumber
Suara asli dan sintetis yang diklasifikasikan dengan benar53,95%Ivory dkk., Scientific Reports 2026 (dalam proses terbit)
Akurasi rata-rata manusia pada tiga set data deepfake (1.212 peserta)73%Warren dkk., ACM CCS 2024
Akurasi rata-rata pada set data deepfake tersulit berbanding termudah65% berbanding 81%Warren dkk., ACM CCS 2024
Deteksi deepfake: satu klip pada satu waktu berbanding bersama klip asli70,35% berbanding 85,59%Mai dkk., PLOS ONE 2023
Klon AI dinilai memiliki identitas yang sama dengan pembicara aslisekitar 80%Barrington, Cooper, dan Farid, Scientific Reports 2025
Porsi berlabel ‘manusia’: klon suara berbanding rekaman asli berbanding suara AI generik0,70 berbanding 0,72 berbanding 0,39Lavan dkk., PLOS One 2025
Pencocokan identitas: suara alami berbanding deepfake86,98% berbanding 68,94%Roswandowitz dkk., Communications Biology 2024
Korelasi antara kemiripan manusia dan kesenangan untuk suara TTSr(203) = 0,48, p < 0,001Ross, Corley, dan Lai, Speech Prosody 2024
Kemiripan manusia: suara TTS paling mirip manusia berbanding rekaman manusia46,1 berbanding 71,5Ross, Corley, dan Lai, Speech Prosody 2024
Keseraman: suara TTS paling mirip manusia berbanding rekaman manusia40,4 berbanding 28,9Ross, Corley, dan Lai, Speech Prosody 2024
Kemiripan manusia memprediksi keseraman untuk dua suara sintetisβ = −0,64 dan β = −0,66Kühne, Fischer, dan Zhou, Frontiers in Neurorobotics 2020
Pasangan wajah dan suara yang tidak cocok berbanding yang cocokt(47) = 6,042, p < 0,001Mitchell dkk., i-Perception 2011
Keseraman: sosok manusia dengan suara sintetis berbanding sosok manusia dengan suara manusiaM = 0,19 berbanding M = −1,10Mitchell dkk., i-Perception 2011
Daya suka karakter virtual: suara manusia berbanding suara robot3,75 berbanding 2,99Choi dkk., IEEE ISMAR-Adjunct 2023
Kehangatan kesan pertama: pengaturan seperti anak-anak berbanding seperti orang dewasa berbanding seperti robot3,37 berbanding 2,60 berbanding 2,06Huang dan Moore, Frontiers in Robotics and AI 2024
Daya tarik keseluruhan: sulih suara AI berbanding sulih suara manusia61% berbanding 60%Crowd React Media AI Voiceover Study 2026
Pengguna yang mengkritik nada suara agen percakapan tanpa emosisekitar 68%Cihodaru-Ștefanache dan Podina, Frontiers in Psychology 2025
Efek sesi pelatihan 12 menit terhadap sensitivitas pada ujaran AIF(1,29) = 3,918, p = 0,057Yang dkk., eNeuro 2026

Metodologi dan Sumber

  • Ivory, McGettigan, Nuttall, dan Nightingale, “Human Detection of AI-Generated Faces and Voices is Not Domain-General”, Scientific Reports 2026, dalam proses terbit, repositori Lancaster University
  • Lavan dkk., “Voice clones sound realistic but not (yet) hyperrealistic”, PLOS One 2025, PubMed Central
  • Barrington, Cooper, dan Farid, “People are poorly equipped to detect AI-powered voice clones”, Scientific Reports 2025, PubMed Central dan arXiv v2
  • Mai, Bray, Davies, dan Griffin, “Warning: Humans cannot reliably detect speech deepfakes”, PLOS ONE 2023, PLOS ONE
  • Warren dkk., “Better Be Computer or I’m Dumb: A Large-Scale Evaluation of Humans as Audio Deepfake Detectors”, ACM CCS 2024, PDF University of Florida
  • Roswandowitz dkk., “Cortical-striatal brain network distinguishes deepfake from real speaker identity”, Communications Biology 2024, PubMed Central
  • Yang, Jiang, Bai, Ni, dan Teng, “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination”, eNeuro 2026, PubMed Central
  • Ross, Corley, dan Lai, “Is there an uncanny valley for speech? Investigating listeners’ evaluations of realistic TTS voices”, Speech Prosody 2024, ISCA Archive
  • Kühne, Fischer, dan Zhou, “The Human Takes It All: Humanlike Synthesized Voices Are Perceived as Less Eerie and More Likable”, Frontiers in Neurorobotics 2020, Frontiers
  • Baird dkk., “The Perception and Analysis of the Likeability and Human Likeness of Synthesized Speech”, Interspeech 2018, ISCA Archive
  • Diel dan Lewis, “Deviation from typical organic voices best explains a vocal uncanny valley”, Computers in Human Behavior Reports 2024, ScienceDirect
  • Zhao, Chen, dan Zhao, “Does the Uncanny Valley Effect Exist When Voice Assistants Have Minds and Human-Like Appearances?”, Human Factors and Ergonomics in Manufacturing and Service Industries 2026, Wiley melalui DOI
  • Mavromati, Erdinch, dan Paterson, “The uncanny valley of familiarly unfamiliar voices”, pracetak PsyArXiv 2025, OSF
  • Mitchell dkk., “A Mismatch in the Human Realism of Face and Voice Produces an Uncanny Valley”, i-Perception 2011, PubMed Central
  • Choi, Koilias, Volonte, Kao, dan Mousas, “Exploring the Appearance and Voice Mismatch of Virtual Characters”, IEEE ISMAR-Adjunct 2023, PDF
  • Huang dan Moore, “Freedom comes at a cost?: An exploratory study on affordances’ impact on users’ perception of a social robot”, Frontiers in Robotics and AI 2024, Frontiers
  • Alimardani, de Roode, Vaitonyte, dan Louwerse, “Effect of a Virtual Agent’s Appearance and Voice on Uncanny Valley and Trust in Human-Agent Collaboration”, IVA 2024, ACM melalui DOI
  • Cihodaru-Ștefanache dan Podina, “The uncanny valley effect in embodied conversational agents: a critical systematic review”, Frontiers in Psychology 2025, Frontiers
  • Crowd React Media (Harker Bos Group), AI Voiceover Study 2026, Crowd React Media, juga diliput oleh Radio Ink
  • Malwarebytes, AI Scams Report 2026 (survei vendor terhadap 1.500 orang dewasa), Malwarebytes
  • Catatan data: studi wajah dan suara Lancaster dikutip dari versi yang diterima di repositori universitas, sehingga angkanya bisa sedikit bergeser pada versi jurnal final. Studi klon UC Berkeley mencetak persentase utamanya sebagai gambar dalam versi jurnal, sehingga angka sekitar 80% dan sekitar 60% diambil dari teks arXiv v2, yang sesuai dengan abstrak yang diterbitkan. Tolok ukur Queen Mary bergeser antar-eksperimen (pendengar melabeli 81% suara manusia sebagai ‘manusia’ pada Eksperimen 1a, 62% pada Eksperimen 1b, dan 72% pada Eksperimen 2), sehingga klon dan suara manusia harus dibandingkan dalam satu eksperimen, tidak pernah antar-eksperimen. Dua angka 73% dari studi UCL (2023) dan University of Florida (2024) mengukur tugas dan set data yang berbeda dan bukan replikasi satu sama lain. Uji buta radio tidak menemukan perbedaan yang signifikan secara statistik dalam seberapa sering kedua suara teridentifikasi, dan porsi identifikasi persisnya hanya muncul dalam grafik. Tidak ada uji terbitan di sini yang mencapai suara TTS yang dinilai hampir sepenuhnya mirip manusia, sehingga puncak kurva lembah ganjil vokal tetap belum teruji. Skor kealamian tolok ukur (MOS dan CMOS) sengaja diserahkan kepada rangkuman MOS kami.

Terakhir diperbarui: 8 November 2026. Kami memperbarui rangkuman ini setiap kuartal, dan pembaruan berikutnya diperkirakan terjadi ketika versi final studi deteksi wajah dan suara Lancaster diterbitkan di Scientific Reports.

Coba VoxBooster — uji coba gratis 3 hari.

Kloning suara real-time, soundboard, dan efek — di mana pun kamu sudah biasa bicara.

  • Tanpa kartu kredit
  • ~30ms latensi
  • Discord · Teams · OBS
Coba gratis 3 hari